モジュール
- 欠陥セグメンテーションモデルの効果が良くない場合は、トラブルシューティングするにはどうすればよいですか？
-
-
ラベル付けが間違っているかどうかを確認します。
-
トレーニングセットに全ての種類の欠陥があるかどうかを確認します。
-
画像入力サイズを確認します。欠陥が小さすぎると正常にトレーニングを実行できないこともあります。
-
- 「欠陥セグメンテーション」モジュールと「教師なしセグメンテーション」モジュールは、それぞれどんなシーンに適用できますか？
-
総じていえば、2つとも画像の欠陥領域を検出できますが、大きな相違点があります。
-
「欠陥セグメンテーション」モジュールは、欠陥を検出し、欠陥の位置やサイズ、形状を正確に判断します。「教師なしセグメンテーション」モジュールは、画像に欠陥があるかどうかだけ判断し、欠陥の領域を大まかに表示します。
-
「欠陥セグメンテーション」モジュールは、画像にラベルを付けるときに全ての欠陥を指定します。「教師なしセグメンテーション」モジュールは、欠陥のラベル付けが不要で、また OK 画像だけを指定すればいいです。
-
「教師なしセグメンテーション」モジュールは、欠陥領域を大まかに表示しますが、精確に欠陥をセグメンテーションすることはできません。欠陥に対して高精度なインスタンスセグメンテーションが求められる場合、「欠陥セグメンテーション」モジュールを使用してください。
-
- モデルの認識効果が良くない場合は、トラブルシューティングするにはどうすればよいですか？
-
トレーニングデータの数量と品質、データの多様性、ROI パラメータ、照明などからトラブルシューティングします。
-
数量：トレーニングデータの数量が、良好なモデル結果を取得するのに十分であるかどうかを確認します。
-
品質：データ品質が最良かつ明確で、露出過度/不足があるかどうかを確認します。
-
データの多様性：データに現場で起こりうる全ての状況が含まれるかどうかを確認します。
-
ROI パラメータ：現場で設定されたパラメータはトレニンーグ中のデータと一致しているかどうかを確認します。
-
照明：照明が変化するかどうか、また画像取得時と一致しているかどうかを確認します。
-
- 画像分類と教師なしセグメンテーションとは、なんの違いがありますか？
-
この 2つのモジュールは、結果的には画像をいくつかの分類に分けますが、使用方法と機能には大きな違いがあります。
-
データのラベル付け
-
画像分類モジュールはデータを分類するのでモデルをトレーニングするために各分類のラベル付け済みデータを使用します。
-
教師なしセグメンテーションモジュールは、ラベル付け済み OK 画像だけで十分です。
-
-
機能
-
画像分類モジュールは、追加されたラベルによって画像を判断します。NG 画像を検出する時、画像分類モジュールは一種または複数種類の欠陥タイプ（欠陥と種類とは 1 対 1 関係）しか検出できません。
-
教師なしセグメンテーションモジュールは、設定したしきい値によって画像は OK/NG/Unknown（未知）かを判断します。NG 画像を検出する時、教師なしセグメンテーションモジュールは様々な欠陥タイプの NG 画像を検出できます。
-
-
結果
-
画像分類モジュールでは、付けたラベルの種類数だけを出力します。
-
教師なしセグメンテーションモジュールは、画像を OK/NG/Unknown に分類するほか、欠陥の領域を大まかに認識することも可能です。
-
画像分類はカテゴリが少ない分類ニーズに対応でき、教師なしセグメンテーションは、事前に欠陥のカテゴリが分からなくても NG 画像を検出し、大まかな欠陥領域を指定できます。
-